OCRFlux 复杂文档转 Markdown

解决什么具体问题

当代理需要处理扫描件、多页PDF或带复杂版面的文档图像时，传统OCR工具常遇到三类痛点：一是忽略版面布局，导致表格、多栏文本解析混乱；二是跨页段落被强行截断，影响语义连贯性；三是跨页表格片段无法自动拼接，后续数据提取需手动修复。OCRFlux 技能针对这些场景，将非结构化文档图像和PDF转化为代理可直接消费的 Markdown/JSONL 格式，让代理能稳定读取并理解文档内容。

技能如何工作

该技能核心基于 OCRFlux-3B 视觉语言模型，具备三项关键能力：

• 布局感知OCR：识别文档中的文本、表格、标题等元素，保留原始版面结构
• 表格处理：支持复杂表格的解析与跨页表格片段的智能合并
• 跨页元素合并：对于跨页段落可直接拼接，表格片段则通过专门逻辑完成合并

使用时需指定本地工作目录、输入文件（PDF或图像）和模型路径，运行后输出结构化结果。模型仅3B参数，即使在GTX 3090级别的GPU上也能运行，降低了硬件门槛。

适用边界与注意点

该技能依赖NVIDIA GPU、Python 3.11环境和conda虚拟环境，对硬件和环境有明确要求。适合处理包含大量表格、多栏布局或跨页内容的结构化文档，对于纯文本且版面简单的文档，可能过度设计。注意仅支持文档图像和PDF格式输入，不适用于视频或音频中的文本提取。